Yapay Zekâ Yazılımı Bitirdi mi?

Mayıs 2025'te Anthropic'in CEO'su Dario Amodei, yapay zekânın beş yıl içinde giriş seviyesi beyaz yaka işlerinin yaklaşık yarısını silebileceğini söyledi. Aynı yıl kod yazan araçlar neredeyse her editöre girdi. "Yazılımcılık bitti mi?" sorusu forumlarda her hafta yeniden soruldu. Öte yandan şirketler yazılımcı aramayı bırakmadı.

Bu yazı iki uç arasında yürüyor. Abartıya da inkâra da kapılmadan 2025 ve 2026'nın birincil verilerine bakıyoruz: randomize deneyler, geliştirici anketleri, iş gücü projeksiyonları ve kod güvenliği testleri. Bu alanda çalışan bir uzmanın görüşüne de yer veriyoruz.

Yapay zekâ yazılımcıların yerini alacak mı?

Veriler bugün yapay zekânın yazılımcının yerini değil, yazılımcının yaptığı işin bir bölümünü aldığını gösteriyor: en çok da rutin kod üretimini. Meslek küçülmüyor, içeriği değişiyor.

En net işaret ABD Çalışma İstatistikleri Bürosu'ndan (BLS) geliyor. BLS'nin Ağustos 2026'da yayımladığı projeksiyona göre yazılım geliştirici, kalite güvence ve test işleri 2025-2035 arasında yüzde 10 büyüyecek. Tüm mesleklerin ortalaması yüzde 3,5. Bu alanda her yıl ortalama 106 bin civarı açık pozisyon bekleniyor.

Aynı tabloda ters yöne giden bir meslek de var. BLS, "bilgisayar programcısı" istihdamının aynı dönemde yüzde 7 azalacağını öngörüyor. Gerekçe açık. Rutin programlama görevleri yapay zekâ dahil araçlarla otomatikleşiyor. Daha nitelikli kısım ise yazılım geliştiricilere kayıyor. Yani tarifi hazır kodu yazan rol daralıyor, ne yazılacağına karar veren rol büyüyor.

İlan tarafı da bir çöküş göstermiyor. İş ilanı verisi toplayan TrueUp'a göre izlediği yaklaşık 9 bin teknoloji şirketinde açık yazılım mühendisliği ilanı Nisan 2026'da 67 bini aştı. Bu sayı 2023 ortasındaki dibin neredeyse iki katı.

Türkiye'de de araçlar hızla yayılıyor. TÜİK'in 2026 yapay zekâ istatistiklerine göre 10 ve daha fazla çalışanı olan girişimlerde yapay zekâ kullanımı bir yılda yüzde 7,5'ten yüzde 14'e çıktı. Programlama ve bilişim faaliyetlerinde bu oran yüzde 63,7. Yani bu araçları en yoğun kullanan sektör, yazılımın kendisi.

Yapay zekâ kod yazmayı gerçekten hızlandırıyor mu?

Yapay zekâ bazı işleri belirgin biçimde hızlandırıyor; ama ölçülen hız ile hissedilen hız her zaman aynı değil. Bunu gösteren en iyi çalışma bağımsız araştırma kuruluşu METR'den.

METR, 2025'in ilk yarısında 16 deneyimli açık kaynak geliştiriciyle randomize kontrollü bir deney yaptı. Geliştiriciler kendi depolarında 246 gerçek görev çözdü. Bu depolar ortalama 22 binden fazla yıldızlı ve bir milyon satırı aşan projelerdi. Her görev rastgele "yapay zekâ serbest" ya da "yapay zekâ yasak" diye işaretlendi.

Sonuç şaşırtıcıydı. Yapay zekâ serbest olduğunda görevler yüzde 19 daha uzun sürdü. Geliştiriciler işe başlamadan önce yüzde 24 hızlanma bekliyordu. Deneyden sonra bile yüzde 20 hızlandıklarını düşünüyorlardı.

Bu bulgu "yapay zekâ işe yaramıyor" demek değil. METR, Şubat 2026'da 57 geliştirici ve 800'ü aşan görevle yaptığı ikinci turu paylaştı. Bu kez sonuçlar belirsizdi. Geliştiricilerin yüzde 30 ile 50'si bazı görevleri yapay zekâsız yapmak istemediği için deneye hiç sokmamıştı. METR'in vardığı yer dürüst bir orta nokta. Geliştiriciler 2026 başında büyük olasılıkla 2025'e göre daha hızlı. Ama bu artışın büyüklüğünü eldeki veri ancak zayıf biçimde gösteriyor.

Anketler benzer bir gerilim gösteriyor. 49 binden fazla kişinin katıldığı Stack Overflow 2025 Geliştirici Anketi'nde katılımcıların yüzde 84'ü yapay zekâ araçlarını kullanıyor ya da kullanmayı planlıyor. Ama araçların doğruluğuna güvenmeyenler (yüzde 46) güvenenlerden (yüzde 33) fazla. "Çok güveniyorum" diyenler yalnız yüzde 3. En sık şikâyet, yüzde 66 ile "neredeyse doğru ama tam değil" çözümler.

Google'ın DORA 2025 raporu aynı resmi ekip düzeyinde çiziyor. Yaklaşık 5 bin teknoloji çalışanının yüzde 90'ı işte yapay zekâ kullanıyor. Yüzde 80'den fazlası üretkenliğinin arttığına inanıyor. Geçen yılın aksine yapay zekâ ile teslimat hızı arasında olumlu bir ilişki çıktı. Ama teslimat istikrarıyla ilişki hâlâ olumsuz. Yani daha çok değişiklik, daha çok geri alma ve acil yama. DORA'nın özeti şu: yapay zekâ ekibi düzeltmez, ekipte ne varsa onu büyütür.

Bir de yeteneklerin büyüme hızı var. METR'in ölçümüne göre yapay zekânın yüzde 50 olasılıkla bitirebildiği görevlerin uzunluğu, son altı yılda yaklaşık her yedi ayda bir ikiye katlandı. Değişimi küçümsemek de bir hata olur.

SWE-bench gibi kıyaslamalar neyi ölçüyor, neyi ölçmüyor?

SWE-bench, bir modelin gerçek bir GitHub hata kaydını okuyup testlerden geçen bir yama yazıp yazamadığını ölçer. Ne yapılacağına karar vermeyi, tasarımı ya da yamanın birleştirilmeye değip değmediğini ölçmez.

Kıyaslama 2023'te 12 popüler Python deposundan alınan 2.294 görevle yayımlandı. O gün en iyi model görevlerin yüzde 1,96'sını çözebiliyordu. OpenAI 2024'te uzmanlarca elden geçirilmiş 500 görevlik "Verified" alt kümesini çıkardı. Stanford AI Index verisine göre çözme oranı 2023'te yüzde 4,4 iken 2024'te yüzde 71,7'ye çıktı. "Yapay zekâ yazılımcı kadar iyi" manşetlerinin çoğu bu sayılara dayanıyor.

Ayrıntıya inince tablo değişiyor:

• Epoch AI'nin incelemesine göre Verified görevlerinin yüzde 39'u, deneyimli bir mühendisin 15 dakikadan kısa sürede yapacağı küçük değişiklikler. Yüzde 52'si 15 dakika ile bir saat arası işler.
• Görevlerin yüzde 87'si hata düzeltme. Yeni özellik yüzde 9, yeniden düzenleme yüzde 4. Görevlerin neredeyse yarısı tek bir depodan, Django'dan geliyor.
• METR, Mart 2026'da üç projenin dört aktif bakımcısına yapay zekânın yazdığı 296 yamayı inceletti. Testi geçen yamaların kabaca yarısı ana dala birleştirilmeyecekti. Gerekçeler sorunu gerçekten çözmemek, başka bir yeri bozmak ya da proje kalitesinin altında kalmaktı.
• OpenAI 2026'da Verified skorunu raporlamayı bıraktı. Denetlediği zor görevlerin en az yüzde 59,4'ünde testler doğru çözümleri de reddediyordu. Görevlerin bir kısmı da modellerin eğitim verisine sızmıştı.

METR'in kendi notu da önemli. Modeller tek denemede yama gönderiyor, insanlar ise geri bildirimle düzelterek ilerliyor. Yani bu sonuç bir yetenek tavanı değil. Ama "testi geçti" ile "işi bitirdi" aynı şey değil. Kıyaslamalar işin en kolay ölçülen parçasını ölçüyor. Yazılımın asıl zor kısmı, ölçülmesi zor olan kısmı.

Yapay zekâ yazılım işinin hangi kısmını devralıyor?

Kod yazmak ucuzladı; neyin yazılacağına karar vermek, sonucu doğrulamak ve sorumluluğunu taşımak ucuzlamadı. Aşağıdaki tablo 2026 itibarıyla dengeyi özetliyor.

Anthropic'in Nisan 2025 tarihli ekonomik endeksi bu kaymayı somut gösteriyor. Şirket 500 bin kodlama etkileşimini inceledi. Kodlama ajanı Claude Code'da konuşmaların yüzde 79'u "otomasyon", yani işi doğrudan modele devretme olarak sınıflandı. Genel sohbet arayüzünde bu oran yüzde 49'du. Ajanlar işin yürütülmesini alıyor. Yönü belirlemek hâlâ insanda.

Testten geçen kod neden yetmiyor?

Testten geçen kod yalnız "doğru çalışıyor mu" sorusuna cevap verir. "Doğru şeyi mi yapıyor" sorusuna kullanıcıyı düşünen bir insan cevap verir.

Bir ekran bütün testlerden geçip yine de kullanıcıyı şaşırtabilir. Menü doğru çalışır ama yanlış yerdedir. Akış hatasızdır ama ilk kez gelen biri ne yapacağını bilemez. Testler kodun yazılı kurallara uyup uymadığını ölçer. Kuralın kendisinin doğru olup olmadığını ölçmez.

Gereksinim de çoğu zaman eksik gelir. Müşteri "rapor istiyorum" der. O raporla hangi kararı vereceğini sormak bir insanın işidir. Model eksik gereksinimi kendinden emin biçimde tamamlar. Tamamlama yanlışsa hata en pahalı yerde, canlı sistemde ortaya çıkar.

AltaySec'in kurucu ortağı ve yapay zekâ güvenliği uzmanı Enes Deniz de bu görüşte. Ona göre yapay zekâ kod yazmayı hızlandırıyor, ama neyin yapılacağına karar vermek, sonucu sınamak ve sorumluluğu üstlenmek hâlâ insan işi. Kod ucuzladıkça bu yargının değeri düşmüyor, artıyor.

Ders basit: kod artık ucuz; yargı, ürün sezgisi ve sorumluluk pahalı. Yapay zekâyla çalışan ekiplerde bu üçünün değeri düşmedi, arttı.

Yapay zekânın yazdığı kod güvenli mi?

Çoğu zaman çalışır ama kendiliğinden güvenli değildir. Bağımsız testlerde yapay zekânın yazdığı kod, görevlerin neredeyse yarısında bilinen bir güvenlik açığı içeriyor.

Uygulama güvenliği şirketi Veracode, 2025 raporunda 100'den fazla dil modeline 80 kodlama görevi verdi. Görevlerin yüzde 45'inde modeller riskli bir açık içeren kod üretti. Java'da başarısızlık yüzde 70'in üstündeydi. Modeller XSS'e karşı yüzde 86, log enjeksiyonuna karşı yüzde 88 oranında savunmasız kod yazdı.

Temmuz 2026'daki güncel raporda tablo pek değişmedi. Modeller artık neredeyse her zaman sözdizimi doğru kod üretiyor. Ama ortalama güvenlik başarı oranı yüzde 56'da takılı. SQL enjeksiyonunda başarı yüzde 83, XSS'te yüzde 15, log enjeksiyonunda yüzde 12. En iyi model bile güvenlik görevlerinin yaklaşık üçte birinde başarısız oluyor. Daha büyük ya da daha yeni model, tek başına daha güvenli kod demek değil.

Kalite tarafında da bir uyarı var. GitClear, 2020-2024 arasında 211 milyon satırlık kod değişikliğini inceledi. Taşınan, yani yeniden düzenlenen satırların payı 2020'de yüzde 24,1 iken 2024'te yüzde 9,5'e indi. Kopyala-yapıştır satırları yüzde 8,3'ten yüzde 12,3'e çıktı. Beş ya da daha fazla satırı yineleyen kod blokları 2024'te sekiz kat sıklaştı. Bu bir korelasyon ve tek sebebi yapay zekâ olmayabilir. Ama yönü, kısa vadeli hız için bakımdan ödün verildiğini düşündürüyor.

Yapay zekânın yazdığı kodu birleştirmeden önce şu soruları sor:

1. Bu kod dışarıdan gelen hangi girdiye güveniyor?
2. Sorgu, komut ya da HTML üretirken parametre ve bağlama göre kodlama var mı?
3. Kodda bir gizli anahtar, parola ya da sabit adres kalmış mı?
4. Önerilen paket gerçekten var mı, bakımı sürüyor mu?
5. Hata ve log mesajları hassas veri sızdırıyor mu?
6. Bu değişikliği bir statik analiz aracı ve bir insan gördü mü?

Bu soruların hepsi Güvenli Yazılım Geliştirme yolunda uygulamalı işleniyor. Model çıktısını güvenilmez veri saymak dersi, yapay zekânın ürettiği her şeye neden kullanıcı girdisi gibi davranman gerektiğini anlatır. Bu soru bizi siber güvenliğin kapısına getiriyor. Saldırgan da aynı araçları kullanırken güvenlikçinin işi ne olur? Bunu Yapay Zekâ Siber Güvenliği Bitirdi mi? yazısında ele aldık.

Giriş seviyesi yazılım işleri neden zorlaştı?

Giriş seviyesindeki baskı gerçek. Veriler, yapay zekâya en açık mesleklerde 22-25 yaş grubunun istihdamının belirgin biçimde düştüğünü, deneyimli çalışanlarınsa etkilenmediğini gösteriyor.

Stanford Digital Economy Lab'den Erik Brynjolfsson ve ekibi, ABD'nin en büyük bordro sağlayıcısı ADP'nin verisini inceledi. Veri on binlerce firmada milyonlarca çalışanı kapsıyor. "Canaries in the Coal Mine" çalışmasının Kasım 2025 sürümüne göre 22-25 yaş arası yazılım geliştiricilerin istihdamı, Eylül 2025'te 2022 sonundaki zirvesinin yaklaşık yüzde 20 altındaydı. Aynı meslekteki daha deneyimli çalışanların istihdamı sabit kaldı ya da arttı.

Ekibin Ağustos 2026 güncellemesi farkın açıldığını söylüyor. Yapay zekâya en açık mesleklerdeki gençlerin istihdamı, daha az açık mesleklerdeki yaşıtlarına göre yaklaşık yüzde 19 geride. Uyum çoğunlukla işten çıkarmayla değil, gençlerin daha az işe alınmasıyla oluyor. Düşüş, yapay zekânın işi otomatikleştirdiği mesleklerde yoğun. İşi desteklediği mesleklerde istihdam sabit ya da artışta.

Araştırmacılar dürüst bir uyarı da ekliyor: bunlar betimleyici örüntüler, nedensel tahmin değil. Faiz artışı gibi başka etkenler de resme karışabilir. Ama yön açık. Eskiden juniorun öğrenirken yaptığı küçük işleri artık ajanlar yapıyor. Bu yüzden ilk işe girmek için "kod yazabiliyorum" demek yetmiyor. "Üretilen kodu okuyup yargılayabiliyorum" diyebilmen gerekiyor.

Jevons paradoksu yazılım için ne söylüyor?

Jevons paradoksu, bir kaynağı daha verimli kullandıran teknolojinin o kaynağın toplam tüketimini azaltmak yerine artırabileceğini söyler. Kod ucuzladıkça daha çok yazılım talep edilmesi bu yüzden olası.

İngiliz iktisatçı William Stanley Jevons bunu 1865'te "The Coal Question" kitabında yazdı. James Watt'ın buhar makinesi kömürü daha verimli kullanıyordu. Buna rağmen İngiltere'nin kömür tüketimi düşmedi, hızla arttı. Kömür ucuzlayınca onu kullanan iş sayısı çoğaldı.

Benzer bir örnek bankacılıktan gelir. ATM'ler yayıldığında gişe memurlarının biteceği düşünüldü. Ekonomist James Bessen'in IMF dergisindeki analizine göre 1988-2004 arasında bir şubeyi işletmek için gereken memur sayısı ortalama 20'den 13'e düştü. Ama şube açmak ucuzladığı için kentlerdeki şube sayısı yüzde 43 arttı. Gişe memuru işleri azalmadı.

Bu hikâyenin bir de devamı var. Mobil bankacılık yaygınlaşınca BLS, gişe memuru istihdamının 2025-2035 arasında yüzde 13 düşeceğini öngörüyor. Yani Jevons etkisi bir garanti değil, bir olasılık. Talep ancak işin kendisi değer üretmeye devam ederse büyür.

Yazılım için bugünkü işaretler bu olasılıktan yana. Kod ucuzladıkça daha önce "değmez" denen iç araçlar, otomasyonlar ve entegrasyonlar yazılıyor. Her biri bakım, güvenlik ve sahiplik isteyen yeni bir sistem demek. Yazılımın toplam miktarı arttıkça onu anlayan, denetleyen ve ayakta tutan insana ihtiyaç da artıyor.

Yapay zekâ çağında yazılımcı ne öğrenmeli?

Kod yazmayı bırakma; ama asıl yatırımı kodun etrafındaki yargıya yap. Problemi tanımlamak, kodu okumak, test etmek ve güvenli tasarlamak artık ana beceriler.

• Problemi tarif etmek: Belirsiz bir isteği net gereksinime çeviren kişi, ajana da doğru görevi verir.
• Kod okumak ve incelemek: Artık yazdığından çok okuyacaksın. Okuma hızı ve sağlıklı şüphe asıl beceri.
• Test tasarlamak: Testi yapay zekâya yazdırabilirsin, ama neyin test edileceğine sen karar verirsin.
• Güvenli kod: Girdi doğrulama, parametreli sorgu ve gizli anahtar yönetimini bilmeyen, yapay zekânın hatasını göremez.
• Mimari ve ödünleşim: Hız, maliyet, bakım ve güvenlik arasında seçim yapmayı öğren.
• Alan bilgisi: Muhasebeyi, lojistiği ya da güvenliği bilen yazılımcının yerini bir model kolay dolduramaz.
• Araçları denetlemek: Ajanı kullan, ama ürettiğini ölç, kayda geçir ve gerektiğinde reddet.

Başlamak için iyi bir yer Güvenli Yazılım Geliştirme yolu. Tehdit modellemeyi STRIDE ile tehdit modelleme dersinde öğren. Ardından Güvenli Kod İncelemesi labında birleştirme öncesi bir taslak kodu oku ve eksik denetimleri kendin bul. Güvenlik tarafına geçmeyi düşünüyorsan SOC Vardiya ile bir analistin gününü tarayıcıda dene. Seçenekleri görmek için kariyer sayfasına bak.

Kaynaklar

• METR: Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity (2025) ve Şubat 2026 güncellemesi
• METR: Many SWE-bench-Passing PRs Would Not Be Merged into Main (2026)
• Stack Overflow Developer Survey 2025: AI
• Google Cloud: 2025 DORA State of AI-assisted Software Development
• Veracode: 2025 GenAI Code Security Report
• GitClear: AI Copilot Code Quality 2025
• BLS Occupational Outlook Handbook: Software Developers (2025-2035)
• Stanford Digital Economy Lab: Canaries in the Coal Mine (2025)